本文首先对人工神经网络代理模型进行了详细的描述,它具有大规模并行计算和分布式信息存储能力、高度非线性映射、良好的自组织、自适应、自学习能力、高度的容错性和记忆、联想等优点,被广泛地应用到控制、预测、优化、分类等众多领域。随着人工神经网络技术的不断发展和逐步成熟,也被国内外学者广泛的应用于注塑成型领域。经典BP算法主要存在网络收敛速度慢,易陷入局部极小的问题。针对经典BP算法存在的问题,提出一种新型激励函数,并且联合使用了一些先进的技术对人工神经网络做了改进。通过实例验证,改进算法具有更快的收敛速度、并且能有效地避免算法陷入局部极小提出了一种基于最大化期望提高加点准则的人工神经网络序列优化设计方法。人工神经网络代理模型能够很好的描述设计变量和质量指标之间的函数关系,从而节省了数值模拟分析时间。最大化期望提高加点准则同时考虑预测值和预测值的不确定性,能调整局部和全局搜索,提高代理模型精度的同时提高优化结果的精度。采用该方法针对注塑制品的翘曲变形进行了优化设计。优化结果表明：该方法能有效地减少注塑制品的翘曲变形。提出了一种基于EI评价函数加点准则的人工神经网络序列优化设计方法。最大化期望提高加点准则在优化迭代过程中,EI函数值从一个样本点跳跃到另一个样本点,呈跳跃性,使优化过程缓慢和不稳定。EI评价函数加点准则通过综合考虑各样本点的期望有效地避免了上述跳跃性,有助于快速稳定的逼近全局最优解。经典数学考题和工程实例的优化结果表明,基于EI评价函数加点准则的序列优化设计方法优于基于最大化期望提高加点准则的序列优化设计方法。发展了一种基于人工神经网络代理模型和加权形式的期望提高加点准则的序列优化设计方法,加权形式的期望提高加点准则由于其中的权系数可以改变,所以能灵活地调整局部和全局搜索,具有很好的空间搜索能力。在此基础上,提出了一种基于最优权系数期望提高加点准则的人工神经网络序列优化设计方法。该方法通过引入信息熵求得最优权系数,从而自适应地调整局部和全局搜索,具有良好的空间搜索能力,在保证优化结果精度的同时加快了收敛速度。数学算例和工程算例的优化结果表明：与基于最大化期望提高加点准则的序列优化设计方法相比,该方法的收敛速度快,对全局最优解的逼近程度高。本文工作得到国家自然科学基金重大项目《高聚物成型加工与模具设计中的关键力学和工程问题》(No.10590354)的资助。